Мы используем cookie, чтобы сайт работал корректно и был удобнее для вас. Запретить обработку cookie вы можете через браузер.
OK
Уникальные программы бакалавриата ЮФУ в сфере искусственного интеллекта
Станьте частью нового поколения специалистов, которые создают будущее ИИ
Проект ТОП-ИИ
Применение методов ИИ в обрабатывающей промышленности
Формат обучения
Объем модуля
Период проведения
Отрасль, на которую направлен модуль: Электроэнергетика и электротехника
Очная (с применением дистанционных образовательных технологий)
180 ак. час.
3 курс (5 семестр) для очной формы обучения
ТОП-ИИ
Отраслевой модуль
Модуль разработан для внедрения в образовательные программы вузов
Модуль ориентирован на подготовку специалистов в области электроэнергетики и электротехники, обладающих практическими навыками применения технологий искусственного интеллекта для решения прикладных задач в обрабатывающей промышленности (машиностроение, металлургия, химическая, пищевая и другие отрасли). В нём рассматриваются современные методы сбора, очистки и предварительного анализа промышленных данных с использованием языка Python (библиотеки Pandas, NumPy, Matplotlib), математические основы машинного обучения (построение моделей регрессии и классификации для прогнозирования остаточного ресурса оборудования и выявления дефектов), а также разработка и обучение нейронных сетей (FNN, CNN) для анализа данных с промышленных IoT-датчиков и решения задач компьютерного зрения. Отдельное внимание уделяется критической оценке данных, алгоритмов и этических последствий внедрения ИИ в производственные процессы.
Модуль разработан в рамках проекта ТОП-ИИ Минцифры России при участии АНО «Аналитический центр при Правительстве Российской Федерации» и предлагается вузам для внедрения в образовательные программы высшего образования.
Включение модуля в образовательный процесс позволяет усилить прикладную и отраслевую направленность подготовки, обеспечить связь инженерных компетенций обучающихся с актуальными запросами обрабатывающей промышленности и сформировать у студентов навыки работы с большими данными, инструментами предиктивной аналитики, технологиями машинного и глубокого обучения, востребованными в сфере цифровой трансформации производства.
Для кого подготовлен
о модуле
13.03.02 Электроэнергетика и электротехника»; направленность (профиль) подготовки «Электроснабжение»
Специальности и направления подготовки высшего образования, при реализации которых применяется модуль:
Модуль предполагается к прохождению студентами 3 курса бакалавриата и старше. Реализуется как компонент основной профессиональной образовательной программы (ОПОП).
Модуль реализуется вузом самостоятельно в рамках части ОП, формируемой участниками образовательных отношений.
Условия реализации
Очная (с применением облачной среды, дистанционных образовательных технологий)
Формат обучения
Русский
Язык обучения
Программа обучения
Отраслевой модуль раскрывает возможности применения искусственного интеллекта для решения ключевых задач в сфере обрабатывающей промышленности: сбора, очистки и подготовки данных с промышленных датчиков и систем IoT, расчета статистических характеристик, обучения моделей машинного обучения для прогнозирования и классификации, разработки архитектур нейронных сетей (включая компьютерное зрение) для выявления аномалий и дефектов, а также критического анализа репрезентативности данных и рисков внедрения ИИ в производственные процессы.
Введение в промышленные данные (CSV, JSON, SCADA, IoT). Анализ и диагностика проблем (пропуски, выбросы). Техники очистки, нормализация (MinMaxScaler, StandardScaler). Визуализация (Matplotlib, Seaborn) и работа с Pandas.
Обучение с учителем. Линейная и полиномиальная регрессия, метрики (MSE, MAE, R²). Логистическая регрессия, метрики классификации (Accuracy, Precision, Recall, F1, матрица ошибок). Деревья решений, ансамбли, кросс-валидация и подбор гиперпараметров.
Введение в нейронные сети, фреймворки TensorFlow/Keras. Архитектура полносвязной сети (FNN), механика обучения, функции потерь и оптимизаторы. Построение и визуализация процесса обучения, борьба с переобучением (Dropout, Early Stopping).
Командная работа над сквозным кейсом: от анализа данных до защиты готовой модели (например, прогнозирование остаточного ресурса, классификация дефектов поверхности металла с помощью CNN, раннее предупреждение о сбое оборудования).
Проверка теоретических знаний и практических навыков в формате тестирования (90 вопросов по всем модулям).
Технологический стек модуля
TensorFlow / Keras
Фреймворки для глубокого обучения. Используются для проектирования, компиляции и обучения нейронных сетей (FNN, CNN) для задач прогнозирования временных рядов и компьютерного зрения.
Pandas
Библиотеки для обработки и анализа данных. Pandas используется для загрузки, фильтрации и агрегации табличных данных.
Промышленные датасеты (Kaggle / UCI ML Repository)
Открытые наборы данных (AI4I 2020 Predictive Maintenance, Steel Surface Defects, Hourly Energy Consumption и др.), имитирующие реальные данные с датчиков вибрации, температуры и изображений дефектов для отработки практических кейсов.
Scikit-learn
Библиотека машинного обучения для построения моделей регрессии и классификации, разбиения данных, кросс-валидации, подбора гиперпараметров и расчета метрик качества.
Python
Основной язык программирования и облачная среда разработки для написания скриптов, обучения моделей и визуализации данных без необходимости установки тяжелого ПО на локальные компьютеры.
Разработчики, преподаватели, эксперты
С. Сингх
ассистент кафедры систем автоматического управления Института радиотехнических систем и управления ФГАОУ ВО Южный федеральный университет
В.В. Шадрина
к.т.н., доцент, зав. кафедрой систем автоматического управления Института радиотехнических систем и управления ФГАОУ ВО Южный федеральный университет
А.В. Прибыльский
к.т.н, доцент кафедры систем автоматического управления Института радиотехнических систем и управления ФГАОУ ВО Южный федеральный университет
Результаты обучения
Анализировать данные и выявлять предвзятости для промышленных задач
Слушатель сможет проводить анализ репрезентативности и качества промышленных данных, выявлять пропуски, выбросы и скрытые искажения с использованием статистических методов и визуализации, а также обосновывать методы минимизации выявленных проблем для конкретной производственной задачи.
Оценивать риски и ограничения алгоритмов ИИ
Слушатель сможет анализировать технические и этические риски внедрения систем ИИ в производственный процесс, оценивать последствия некорректных прогнозов, интерпретировать результаты работы моделей и обосновывать выбор алгоритмов с учетом ограничений оборудования и специфики отрасли.
Применять методы Python для сбора и обработки данных
Слушатель сможет уверенно использовать синтаксис языка Python и библиотеки (Pandas, NumPy) для написания скриптов, автоматизации рутинной обработки данных, вычисления статистических характеристик и подготовки датасетов к обучению моделей.
Разрабатывать и обучать модели машинного обучения и нейросети
Слушатель сможет строить полные пайплайны (Pipeline) машинного обучения: от разделения выборок и нормализации до обучения моделей регрессии и классификации (Scikit-learn). Сможет проектировать и обучать полносвязные (FNN) и сверточные (CNN) нейронные сети в TensorFlow/Keras для решения задач предиктивной аналитики и компьютерного зрения.
Анализировать данные и выявлять предвзятости для промышленных задач
Слушатель сможет проводить анализ репрезентативности и качества промышленных данных, выявлять пропуски, выбросы и скрытые искажения с использованием статистических методов и визуализации, а также обосновывать методы минимизации выявленных проблем для конкретной производственной задачи.
Оценивать риски и ограничения алгоритмов ИИ
Слушатель сможет анализировать технические и этические риски внедрения систем ИИ в производственный процесс, оценивать последствия некорректных прогнозов, интерпретировать результаты работы моделей и обосновывать выбор алгоритмов с учетом ограничений оборудования и специфики отрасли.
Применять методы Python для сбора и обработки данных
Слушатель сможет уверенно использовать синтаксис языка Python и библиотеки (Pandas, NumPy) для написания скриптов, автоматизации рутинной обработки данных, вычисления статистических характеристик и подготовки датасетов к обучению моделей.
Разрабатывать и обучать модели машинного обучения и нейросети
Слушатель сможет строить полные пайплайны (Pipeline) машинного обучения: от разделения выборок и нормализации до обучения моделей регрессии и классификации (Scikit-learn). Сможет проектировать и обучать полносвязные (FNN) и сверточные (CNN) нейронные сети в TensorFlow/Keras для решения задач предиктивной аналитики и компьютерного зрения.
04
03
02
01
Преимущества внедрения модуля
За счет включения в образовательную программу сквозных кейсов по разработке моделей машинного обучения и нейросетей на основе реальных промышленных данных. Студенты проходят полный цикл от очистки «сырых» данных с датчиков до обучения, валидации и защиты готового ИИ-решения в рамках командного проекта.
Через освоение современных подходов к работе с корпоративными и сенсорными данными (IoT, SCADA), применение технологий предиктивной и прескриптивной аналитики, а также формирование навыков критического мышления — оценки репрезентативности данных, выявления когнитивных искажений и этических аспектов применения ИИ.
По направлениям подготовки 13.03.02 «Электроэнергетика и электротехника» (профиль «Электроснабжение»), а также смежным инженерным специальностям, где требуется формирование компетенций по применению искусственного интеллекта, машинного обучения и языка программирования Python для автоматизации и управления технологическими процессами.
Благодаря освоению востребованных инструментов (Python, Scikit-learn, TensorFlow) и решению реальных производственных задач: прогнозирование остаточного ресурса оборудования, классификация дефектов продукции с помощью компьютерного зрения, прогнозирование энергопотребления и выявление аномалий в работе промышленных насосов.
ПОВЫШЕНИЕ ПРАКТИЧЕСКОЙ ПОДГОТОВКИ ИНЖЕНЕРОВ
РАСШИРЕНИЕ ПРИКЛАДНЫХ КОМПЕТЕНЦИЙ ОБУЧАЮЩИХСЯ
МОДУЛЬ ПРЕДЛАГАЕТСЯ ВУЗАМ, РЕАЛИЗУЮЩИМ ПРОГРАММЫ ВО
УСИЛЕНИЕ СВЯЗИ ОБРАЗОВАНИЯ С ЗАПРОСАМИ ПРОМЫШЛЕННОСТИ
Для изучения данной дисциплины необходимы знания, умения и навыки, формируемые предшествующими дисциплинами:
Что нужно знать студенту на старте
Информатика;
Высшая математика
Теоретические знания и практические навыки, полученные при изучении дисциплины «Применение методов искусственного интеллекта в обрабатывающей промышленности» используются при изучении дисциплин:
«Инженерные расчеты в электротехнике»
«Основы научных исследований»
«Преддипломная практика»
«Подготовка к процедуре защиты и защита выпускной квалификационной работы».